Hvernig HolosAccent breytir röddinni þinni í framburðsstig

Undirbúningur upptökunnar

Fyrst er hljóðið afkóðað í staðlaðan snið: mono hljóð með 16 kHz sýni.

Kerfið metur hlutfall merki-til-ruðar (SNR) upptökunnar. Ef þessi áætlun fer niður fyrir 25 dB og hljóðdempun er í boði, beitir það hljóðdempunarsíu áður en greining hefst. Ef síun bregst, heldur það áfram með upprunalegu upptökuna.

Úrbylgjan er síðan staðlað til að uppfylla inntakskröfur talgreiningarlíkansins. Þögn og upptökur styttri en hálfa sekúndu fá núll stig.

Leyfa mismunandi framburði

Næst er tilvísunatextinn umbreytt í hljóðfræðilegan framburð með framburðartól. Orð getur haft mörg viðurkennd form.

Framburðarsafnið inniheldur:

• Bretísk og amerísk tilbrigði.
• Algeng minnkuð form, eins og óákveðinn hljóð í to.
• Valdar samhengi-viðbætur.

Til dæmis, síðasti samhljóð í close the door er öðruvísi en í a close friend. Kerfið getur valið á milli studdra valkosta þegar það vinnur úr setningunni.

Hlustun á hljóð, ekki enduruppbyggingu orða

Upptakan fer í gegnum akústískt líkan. Það framkallar gögn um mismunandi talhljóð yfir tíma, um það bil 20 millisekúndna millibili.

Þetta er hljóðfræðileg framsetning upptökunnar. Stigagjafinn notar ekki orðastig tungumálalíkan til að endurbyggja setninguna.

Kerfið skoðar síðan þessi akústísku úttök á tvo vegu:

Aðferð	Hvað það gerir
Expected-sound alignment	Finnur besta tímasetninguna fyrir væntanleg hljóð, og velur heildstæðan framburð tilval fyrir hvert orð.
Independent sound recognition	Fylgir þeim hljóðum sem líkanið kýs án þess að þurfa tilvísunarsentensuna.

Báðar sýnarnar eru nauðsynlegar því að samstilling getur sett væntanlegt hljóð einhversstaðar í upptöku þótt talandi hafi sleppt því. Sjálfstæð hljóðgreining veitir viðbótar gögn um það sem í raun var sagt.

Samræmingin tekur einnig tíma með í reikninginn, sem gerir það erfiðara fyrir hljóð í einu orð að teljast sem gögn fyrir fjarlægt orð.

Stigun hvers hljóðs

Fyrir hvert samstillt hljóð reiknar stigagjafinn mælikvarða á framburðsnákvæmni: hversu sterkt líkanið styður væntanlega hljóðið miðað við keppnishljóð á því tímabili.

Það tekur einnig tillit til:

• Hámarkssannlíkindar væntanlega hljóðsins.
• Hvort sjálfstæð hljóðgreining fann samsvarandi hljóð nálægt.

Staðsett stærðfræðilegt vörpun umbreytir þessum gögnum í hljóðnákvæmni gildi á milli 0 og 100.

Hljóð sem vantar í sjálfstæðri greiningu fær ekki sjálfkrafa núll. Akústísk gögn eru enn mikilvæg.

Ákveða hvaða orð þurfa athygli

Orðaviðbrögð sameina þessi hljóðgildi með skýrum villuprófunum. Orð þarf að:

• Hafa næg gögn um að það hafi verið sagt.
• Uppfylla stillta meðaltalsnákvæmniþröskuld.
• Forðast greindar skiptingar, innsetningar eða alvarlegar villur vegna hljóðslepps.

Skýrar skiptingar krefjast veikrar stuðnings fyrir væntanlega hljóðið og sterks stuðnings fyrir keppnishljóð.

Sönnunargögn	Núverandi þröskuld
Stuðningur við væntanlega hljóðið	Below 0.05
Stuðningur við umskiptin	At least 0.5

Þetta eru þröskuldar á módelgögnum, ekki líkur sem mannlegur hlustandi myndi meta orð sem rangt.

Fyrir orð sem eru merkt, skilar kerfið væntum framburði og áætlaðri hljóðuppskrift, skrifað í International Phonetic Alphabet (IPA). Þessi áætlun getur verið ófullkomin, sérstaklega við orðamörk.

Byggja stig fyrir setninguna

Stigið fyrir setninguna byrjar með samsettum vörpunum:

• Meðaltal hljóðnákvæmni.
• Hlutfall væntanlegra hljóða sem sjálfstæð greining fann.
• Fjöldi talhljóða á sekúndu.
• Langir hlé milli orð.

Tímareikningurinn undanskilur þögn áður en fyrsta samstillta hljóð byrjar og eftir síðasta.

Þessi atriði leggja sitt af mörkum til eins heildarstigs. Núverandi útfærsla veitir ekki sérstök notendavæn flæði-, heildar- eða tónfallsstig.

Hvernig orðakredit hefur áhrif á niðurstöðuna

Stigagjafinn beitir síðan skýrum orðakredit margfaldara. Hvert orð er vegið eftir fjölda hljóða í valda framburð.

Orðaniðurstaða	Kredit fengið
Correct	Full weight
Spoken but flagged	One quarter of its weight
Omitted	No credit

Útreikningurinn er:

word credit =
    (correct sound weight + 0.25 × flagged spoken sound weight)
    / total expected sound weight

raw score =
    sentence estimate, clipped to 0–100, × word credit

Þar af leiðandi, langt rangt orð kostar venjulega meira en stutt. Að lesa aðeins litinn hluta setningarinnar takmarkar líka stigið, jafnvel þó sá hluti hljómi skýrt.

Samanburður á stigum þínum við viðmiðun

Að lokum getur kerfið jafnað hrá stig með viðmiðunartaka af sömu setningu.

Það stigar samsett viðmiðun með sama stigagjafa og, þegar nothæf samsvarandi grunn er til, beitir:

displayed score = min(100, raw score / reference score × 100)

Til dæmis, hrá stig 80 gegn viðmiðunastigi 88 verður um það bil 90,9.

Þessi aðlögun tekur tillit til þess að líkanið gæti gefið viðmiðunartökuna minna en 100.

Grunnlínur tengjast:

• Viðmiðunarröddinni og talgervimódelinu.
• Stigamódelinu.
• Orðaforðanum.
• Stillingu- og reglugerð útgáfunni.

Ef samsvarandi grunn er ekki tiltækur eða ónothæfur, heldur niðurstaðan hrá stig. Fyrsta tilraun getur því haldist óbreytt á meðan grunn er undirbúinn fyrir síðari tilraunir.

Hvað stigið þitt þýðir

Útkoman er æfistig á kvarða HolosAccent.

Stig 90 þýðir ekki að 90 prósent af orðunum þínum séu rétt, og það gefur ekki CEFR stig eða jafngildi innfæddra.

Vörpunin hefur verið aðlagað með sérfræðiatriðum upptökum, en nýja stigakerfið er enn í tilraunastigi og fullar viðurkenningarskilyrði hafa enn ekki verið staðfest. Það getur misst villur eða merkt viðeigandi tal.

Stakir orðaviðbrögð og mynstur yfir mörg tilraunir gefa samhengi til að túlka töluna.